基于階比分析法的軸承振動(dòng)信號(hào)檢測(cè)方法

基于階比分析法的軸承振動(dòng)信號(hào)檢測(cè)方法

滾動(dòng)軸承是旋轉(zhuǎn)設(shè)備中最常用、最重要的部件之一，通常是長(zhǎng)期維護(hù)的重要部件。因此滾動(dòng)軸承通常是機(jī)械設(shè)備中故障高發(fā)部件。與此同時(shí),滾動(dòng)軸承作為機(jī)床的重要組成部件,也是機(jī)床容易發(fā)生故障的部位,其運(yùn)行的好壞直接影響整臺(tái)設(shè)備的工作性能及使用壽命。因此,對(duì)滾動(dòng)軸承的運(yùn)行狀態(tài)進(jìn)行監(jiān)測(cè)并及時(shí)發(fā)現(xiàn)其中存在的故障隱患在機(jī)床的使用具有十分重要的意義,這點(diǎn)對(duì)大型復(fù)雜機(jī)床尤甚。在機(jī)床的運(yùn)行過(guò)程中,轉(zhuǎn)速是時(shí)刻變化的,而且很多故障信息往往只有在加速的過(guò)程中才能表現(xiàn)出來(lái)。在上述情況下,常用信號(hào)處理方法是在進(jìn)行故障診斷時(shí)效果往往不太好。旋轉(zhuǎn)運(yùn)動(dòng)作為機(jī)床的一種主要運(yùn)動(dòng)形式,在機(jī)床運(yùn)行時(shí),雖然這些加速過(guò)程中的振動(dòng)信號(hào)主要頻率成分相差很大,但都與轉(zhuǎn)速有著密切的關(guān)系。利用階比跟蹤技術(shù)在角域分析這些信號(hào)即可消除時(shí)域分析時(shí)轉(zhuǎn)速對(duì)其出現(xiàn)周期的影響,進(jìn)而精確定位到這些信號(hào)。希爾伯特黃變換(Hilbert-HuangTransform,HHT)由美國(guó)航空航天局Dr.Huang于1998年提出,被認(rèn)為是近年來(lái)對(duì)以傅立葉變換為基礎(chǔ)的線性和穩(wěn)態(tài)譜分析的一個(gè)重大突破。文獻(xiàn)將階比分析與EMD相結(jié)合,克服了傳統(tǒng)頻譜分析在變轉(zhuǎn)速軸承故障轉(zhuǎn)動(dòng)中頻率模糊的難題,實(shí)現(xiàn)了滾動(dòng)軸承故障的快速診斷。然而EMD算法本身也存在一些不足,如均值與停止條件、端點(diǎn)效應(yīng)、模式混淆等。為解決經(jīng)典EMD方法模式混疊問(wèn)題,Wu和Huang在對(duì)白噪聲進(jìn)行EMD分解深入研究的基礎(chǔ)上,提出了一種新的噪聲輔助數(shù)據(jù)分析方法,即總體平均經(jīng)驗(yàn)?zāi)Ｊ椒纸夥椒?EnsembleEmpiricalModeDecomposition,EEMD),該方法將原始信號(hào)加入白噪聲進(jìn)行整體的EMD分解,然后對(duì)分解結(jié)果進(jìn)行平均值處理。由此,本文作者提出一種將階比分析與EEMD相結(jié)合的軸承故障診斷方法。首先通過(guò)階比分析方法實(shí)現(xiàn)了軸承振動(dòng)信號(hào)從時(shí)域向角域的轉(zhuǎn)變,然后對(duì)角域的振動(dòng)數(shù)據(jù)進(jìn)行EEMD分解,得到一系列高頻固有模態(tài)函數(shù)及相關(guān)參數(shù),然后對(duì)包含有軸承故障信息的模態(tài)函數(shù)進(jìn)行了頻譜分析。通過(guò)實(shí)例分析表明,該方法能夠在克服轉(zhuǎn)速波動(dòng)的同時(shí)快速有效地提取出滾動(dòng)軸承的故障信息。1誤差跟蹤的傳統(tǒng)階比跟蹤方法階比分析的第一步將時(shí)域的非穩(wěn)態(tài)時(shí)變信號(hào)通過(guò)等角度采樣的方式轉(zhuǎn)變?yōu)榻怯驕?zhǔn)穩(wěn)態(tài)信號(hào),也稱之為階比跟蹤。因此,階比分析方法的關(guān)鍵在于實(shí)現(xiàn)階比跟蹤,從而將時(shí)變信號(hào)轉(zhuǎn)變?yōu)榻怯驕?zhǔn)平穩(wěn)信號(hào)。傳統(tǒng)的階比跟蹤方法是直接通過(guò)模擬設(shè)備實(shí)現(xiàn)對(duì)模擬的振動(dòng)信號(hào)進(jìn)行恒定角增量采樣的,但所使用的跟蹤濾波器等硬件不但結(jié)構(gòu)復(fù)雜、價(jià)格昂貴,而且在旋轉(zhuǎn)機(jī)械轉(zhuǎn)速變化快時(shí),其跟蹤精度得不到保證,因而限制了其在工程實(shí)際中的廣泛應(yīng)用。計(jì)算階比跟蹤與上述傳統(tǒng)的硬件階比跟蹤方法相比在各方面已大為簡(jiǎn)化,在精度方面也得到了很明顯的提高,其實(shí)現(xiàn)思想是對(duì)振動(dòng)信號(hào)和轉(zhuǎn)速信號(hào)單獨(dú)采樣,再通過(guò)相應(yīng)的插值算法用軟件實(shí)現(xiàn)等角度間隔采樣,它最大的優(yōu)點(diǎn)在于無(wú)需特定的硬件,克服了傳統(tǒng)階比跟蹤算法中成本較高的不足。2eemd的分解步驟EEMD作為一種自適應(yīng)的處理方法,能夠?qū)Ψ瞧椒€(wěn)時(shí)變信號(hào)的瞬態(tài)特征進(jìn)行有效的提取。EEMD在分解過(guò)程中充分利用白噪聲頻率均勻分布特性,通過(guò)在振動(dòng)信號(hào)加入高斯白噪聲,使得該信號(hào)在不同尺度上表現(xiàn)出明顯的連續(xù)性,從而改變其極值點(diǎn)的特性,促進(jìn)信號(hào)的抗混分解,有效地避免了EMD分解中的混疊現(xiàn)象。EEMD的具體分解步驟如下(1)在輸入的信號(hào)x(t)上加入等長(zhǎng)度正態(tài)分布的隨機(jī)高斯白噪聲序列ni(t),得到加噪后的信號(hào)xi(t)式中:xi(t)為第i次加噪后得到的信號(hào),k為所加白噪聲信號(hào)的幅值系數(shù)。(2)對(duì)經(jīng)過(guò)上述加噪處理后的信號(hào)xi(t)按EMD分解步驟進(jìn)行分解,從而得到固有模態(tài)分量cij(t)和余項(xiàng)ri(t),其中cij(t)表示第i次加噪處理后再進(jìn)行EMD分解所得的第j個(gè)分量。(3)重復(fù)上述步驟,根據(jù)不相關(guān)的隨機(jī)序列統(tǒng)計(jì)均值為0原理,將上述各固有模態(tài)分量cij(t)進(jìn)行整體平均計(jì)算,通過(guò)計(jì)算可以對(duì)多次加入白噪聲對(duì)真實(shí)IMF的影響進(jìn)行抵消,最終再對(duì)每個(gè)IMF計(jì)算平均值:式中:ci(t)作為EEMD分解后得到的第j個(gè)IMF,N為指添加白噪聲序列的數(shù)目。3等效階比跟蹤重采樣點(diǎn)的計(jì)算基于階比分析和EEMD的故障診斷具體步驟如下如下:(1)為減小機(jī)床運(yùn)行過(guò)程中噪聲對(duì)信號(hào)提取的影響,這里通過(guò)db4小波對(duì)振動(dòng)信號(hào)進(jìn)行閥值降噪;(2)由于這里只用到在很短時(shí)間內(nèi)的振動(dòng)數(shù)據(jù),根據(jù)文獻(xiàn),軸承所在的參考軸在短時(shí)間內(nèi)可看作是一種勻變速運(yùn)動(dòng),因此,轉(zhuǎn)角與時(shí)間的函數(shù)關(guān)系可以通過(guò)多項(xiàng)式表示出來(lái)式中:bn為待定的系數(shù);t為信號(hào)采樣對(duì)應(yīng)的時(shí)間。在采集到的時(shí)域振動(dòng)信號(hào)中,轉(zhuǎn)過(guò)相等角度Δα的連續(xù)時(shí)間為ti,可得將式(4)代入式(3)中,可求得待定系數(shù)bn。為簡(jiǎn)化計(jì)算過(guò)程這里取n=3時(shí)進(jìn)行計(jì)算。求出bi(i=1,2,3),再代入式(3)即求出等角度重采樣所對(duì)應(yīng)的時(shí)間點(diǎn)ti(i=1,2,3)將ti(i=1,2,3)和對(duì)之相應(yīng)的參考軸轉(zhuǎn)角代入式(5)可得通過(guò)上述計(jì)算即可以得出關(guān)于等角度采樣點(diǎn)的方程,在求出等角度重采樣振動(dòng)信號(hào)對(duì)應(yīng)的時(shí)間點(diǎn)后,通過(guò)三次樣條插值算法即可實(shí)現(xiàn)時(shí)域信號(hào)的計(jì)算階比跟蹤重采樣,從而得到等角度分布的采樣點(diǎn)χ(m)。(3)對(duì)經(jīng)過(guò)階比跟蹤處理后的角域準(zhǔn)平穩(wěn)信號(hào)χ(m)進(jìn)行上述EEMD分解,得到其各個(gè)IMF分量,c1,c2,…,cn。(4)對(duì)上述各IMF的瞬時(shí)幅值進(jìn)行頻譜分析,即可有效地實(shí)現(xiàn)對(duì)故障軸承相關(guān)故障信息的提取。4振動(dòng)時(shí)域重采樣某型數(shù)控機(jī)床的主軸軸承出現(xiàn)故障。通過(guò)安裝在軸承座上的振動(dòng)傳感器獲取機(jī)床運(yùn)轉(zhuǎn)時(shí)的振動(dòng)信號(hào),與此同時(shí)通過(guò)轉(zhuǎn)速傳感器獲取該機(jī)床主軸的實(shí)時(shí)轉(zhuǎn)速數(shù)據(jù),數(shù)據(jù)采樣頻率為10kHz,采樣時(shí)間為10s。使用基于LABVIEW平臺(tái)的軸承故障診斷軟件對(duì)采集的信號(hào)進(jìn)行分析。圖1和圖2是是采集到的的原始時(shí)域振動(dòng)信號(hào)和轉(zhuǎn)速信號(hào)?？梢钥闯鲈撦S承的故障信息在振動(dòng)時(shí)域圖中并不明顯。從圖2中可以看出,整個(gè)采集過(guò)程中該機(jī)床主軸的轉(zhuǎn)速是時(shí)刻變化的,若直接對(duì)時(shí)域振動(dòng)數(shù)據(jù)進(jìn)行FFT變化,將會(huì)導(dǎo)致頻率模糊。因此,采用階比跟蹤法對(duì)時(shí)域信號(hào)進(jìn)行角域重采樣以克服轉(zhuǎn)速的變化對(duì)故障信息提取的不良影響。對(duì)角域重采樣后的信號(hào)再進(jìn)行EEMD分解,得到11個(gè)IMF與一個(gè)余量。由于故障信息都包含在IMF中,這里以第一個(gè)IMF為例進(jìn)行頻譜分析。圖3為分析結(jié)果。從圖中可以明顯的看出故障階次order=10,經(jīng)查詢?cè)摴收想A次對(duì)應(yīng)的是該類型軸承的內(nèi)圈疲勞裂紋。在對(duì)該故障軸承進(jìn)行分解后,證實(shí)該診斷結(jié)果的正確性。為了對(duì)比EEMD和EMD在階比重采樣信號(hào)的結(jié)果,用EMD分解同一角域重采樣信號(hào),結(jié)果如圖4所示,雖然經(jīng)過(guò)EMD分解的重采樣信號(hào)也能判斷出特征階次,但受到如均值與停止條件、端點(diǎn)效應(yīng)、模式混淆等問(wèn)題的影響,故障診斷的效果不如EEMD明顯,而且在運(yùn)算速度方面EEMD的分解速度較快。5國(guó)內(nèi)外域重采樣信號(hào)對(duì)比(1)針對(duì)變轉(zhuǎn)速工況影響時(shí)機(jī)床主軸軸承的振動(dòng)信號(hào)的分析,提出了一種采用階比分析和EEMD分解相結(jié)合的滾動(dòng)軸承故障診斷的方法。(2)采用小波消噪和角域重采樣能有效地將強(qiáng)噪聲條件下的非平穩(wěn)時(shí)變信號(hào)轉(zhuǎn)換為角域準(zhǔn)平穩(wěn)信號(hào),避免了傳統(tǒng)頻譜分析中頻率模糊的問(wèn)題。(3)對(duì)EEMD分解后的